SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE OTSU DAN FUZZY C-MEAN (FCM) Jani Kusanti

  

System Identifikasi Gangguan Stroke Iskemik Menggunakan Metode ... (Kusanti)

SYSTEM IDENTIFIKASI GANGGUAN STROKE ISKEMIK MENGGUNAKAN METODE

  

Jani Kusanti

  Program Studi Teknik Informatika, Fakultas Teknik Elektro dan Informatika Universitas Surakarta (UNSA), Surakarta

  Jl.Raya Palur Km.5-Surakarta 57772, Jawa Tengah

  

Email : jani_kusanti@yahoo.com

Abstrak

Stroke Iskemik merupakan salah satu gangguan neurologis yang terjadi pada bagian kepala

yang menyebabkan aliran darah ke otak sebagian atau keseluruhan terhenti sehingga

menyebabkan terjadinya penyumbatan pembuluh darah arteri. CT Scan biasanya tidak sensitive

mengidentifikasi infark serebri karena terlihat normal pada > 50% pasien, tetapi cukup sensitive

untuk mengidentifikasi pendarahan intracranial akut. Pengolahan citra digunakan untuk

mengolah data berupa citra hasil ct scan. Ciri khas citra ct scan dapat dianalisis dengan cara

memperbaiki kualitas hasil citra. Tujuan yang ingin dicapai dalam penelitian ini adalah untuk

menghasilkan metode baru untuk deteksi stroke iskemik dengan memanfaatkan citra ct scan

dengan analisa thresholding metode Otsu. Dari metode tersebut dapat diketahui tingkat akurasi

kebenaran yang diperoleh, sehingga dapat dipergunakan sebagai acuan layak tidaknya metode

ini digunakan sebagai metode untuk mendeteksi stroke iskemik. Teknik yang digunakan dalam

penelitian ini meliputi ekualisasi, otsu dan thresolding. Untuk mengklasifikasi digunakan FCM

(Fuzzy C-Mean). Dari hasil penelitian didapatkan tingkat error sebesar 0.0432053 membuktikan

bahwa tingkat kesalahan yang dihasilkan sangat kecil. Akurasi yang didapat dari penelitian

sebesar 95% sehingga membuktikan dengan metode otsu dapat digunakan sebagai acuan untuk

mendeteksi stroke iskemik.

  Kata kunci : Stroke Iskemik, Global threshold, Otsu, FCM(Fuzzy C-Mean) 1.

   PENDAHULUAN Stroke iskemik merupakan penyumbatan pembuluh darah sementara yang dapat menyebabkan

  kematian dan kecacatan. Untuk mencegah terjadinya kecacatan jangka panjang pada seseorang yang terkena stroke iskemik, maka dimana bagian tersumbatnya pembuluh darah harus diketahui secara tepat. Untuk membantu dalam mengklasifikasikan stroke digunakan pengolahan citra sehingga hasil ct scan dapat digunakan untuk mengklasifikasi stroke iskemik.

  Dalam penelitian ini digunakan data hasil ct scan, berupa citra grayscale. Data yang digunakan dalam pengujian sebanyak 25 data. Citra ct scan dilakukan segmentasi menggunakan otsu untuk mendapatkan level intensitas. Dari hasil otsu didapatkan hasil berupa nilai mean, standar deviasi

  

(stddev) . Hasil otsu digunakan sebagai input untuk melakukan proses clustering. Pengklasifikasian

  ciri data dilakukan menggunakan metode FCM (Fuzzy C-Mean) sehingga didapatkan hasil optimum dalam mengidentifikasi stroke iskemik.

2. METODE PENELITIAN

  Metode penelitian yang digunakan dalam mengolah hasil citra ct scan dilakukan dalam beberapa tahap. Langkah pertama yang dilakukan adalah menyiapkan data yang akan digunakan dalam pengujian.

  Digunakan 25 data untuk pelatihan dan 20 data untuk sampel pengujian. Dalam penelitian ini digunakan tahapan dengan kerangka proses mengacu pada Gambar 1 menunjukakan perancangan sistem deteksi ct scan secara garis besar.

ISBN 978-602-99334-4-4

  E.36 Mulai Proses pengolahan citra

  Proses Segmentasi citra Proses Klasifikasi fitur Tampilkan hasil Identifikasi dan menyimpan data hasil Selesai

  Gambar 1 Proses Sistem Deteksi CT Scan

  2.1 Proses pengolahan citra stroke (CT Scan)

  Citra yang diolah f(x,y) yang memiliki koordinat spatial, dan tingkat kecerahan yang diskrit, dilakukan proses pengolahani citra ( Prasetyo, 2011) Berikut algoritma proses yang dilakukan dalam proses pengolahan citra:

  Algoritma yang digunakan :  Ambil data citra ct scan dari folder yang telah disiapkan  Simpan data yang diambil ke variable = image  Tampilkan data image

  2.2 Proses segmentasi citra

  Setelah citra data uji hasil proses ekstraksi citra dihasilkan, langkah berikutnya dilakukan proses segmentasi citra menggunakan metode otsu. Proses Otsu digunakan untuk mencari nilai threshold (ambang) yang optimal, untuk memisahkan object dan background yang didapat dari nilai histogram intensitas sehingga ciri dari citra akan semakin terlihat. Bagian yang cenderung hitam (bagian yang terjadi pembengkakan) dan bagian yang cenderung terang atau putih (bagian yang tidak terjadi pembengkakan) dalam citra ct scan kepala. Proses otsu akan diawali dengan menghitung luas citra yang diuji, proses akan dilanjutkan untuk menghitung mean atau nilai rata-rata dari warna pixel. Dalam proses ini nantinya akan menghitung nilai pixel setiap baris sampai setinggi citra, proses ini dimulai dari pixel awal sampai pixel terakhir, nilai yang didapatkan akan diakumulasi. Tahap selanjutnya dihitung nilai pixelnya untuk setiap kolom sampai selebar citra tersebut, nilai yang didapatkan akan diakumulasikan. Dari proses ini akan didapatkan nilai ambang atau posisi otsunya (Otsu,N., 1979).

  Algoritma yang digunakan pada proses ini:  Memanggil citra f(x,y) berupa citra hasil histogram intensitas  nilai threshold = j, j berada dalam range 0 ≤ j ≤ m-1.

   m = derajat keabuan dari citra  Bagi citra menjadi dua group  Group A dengan nilai derajat keabuan ≤ T  Group B dengan nilai derajat keabuan ≥ T  Dua group disimbolkan dengan (μ1 dan μ2 ) yang merupakan jumlah dari pixel dengan nilai rata-rata derajat keabuan untuk group A dan group B.

  Fungsinya mengacu pada persamaan [1]-[7]. (Kusumadewi,S., H. P., 2010) (1)

  Dimana :

  Prosiding SNST ke-6 Tahun 2015

  

System Identifikasi Gangguan Stroke Iskemik Menggunakan Metode ... (Kusanti)

  (2) (3) (4) (5) (6) (7)

  Pixel pada citra direpresentasikan ke dalam derajat keabuan L[1, 2, …, L]. Jumlah pixel

  dengan derajat keabuan i dinotasikan dengan n dan jumlah keseluruhan pixel dengan N=n + i i .P i adalah representasi histogram, k adalah nilai threshold.( Kusumadewi,S., H. P., 2010) 1 + n 2

  … + n

  Dimana : o i = jumlah pixel dengan nilai gray level yang ke-i n o

  Nilai average gray level dari semua pixel dalam citra f(x,y) mengacu pada persamaan (Kusumadewi,S., H. P., 2010)

  Jarak varian antara dua group, dilambangkan dengan , fungsi dari jarak varian antara dua group mengacu pada persamaan (Gonzales, R., P. 2004). o dan nilai k menunjuk

  Range untuk k dari 0 sampai dengan L-1, hitung setiap pada nilai jarak varian terbesar yang merupakan hasil dari threshold T.

2.3 Proses clustering dengan FCM

  Fuzzy clustering adalah salah satu teknik untuk menentukan cluster optimal dalam suatu ruang

  vector yang didasarkan pada bentuk normal Euclidian untuk jarak antar vector. Fuzzy clustering sangat berguna bagi pemodelan fuzzy terutama dalam mengidentifikasi aturan-aturan fuzzy.

  Untuk lebih jelasnya Algoritma fuzzy c-mean (FCM) yang digunakan sebagai berikut: (Wang, 1996)

   Menentukan jumlah data sampel (X) yang digunakan, X= 20  Menentukan banyaknya cluster (C), C= 3  Tentukan centroid setiap cluster. Data yang digunakan untuk data centroid didapat dari nilai mean dari data latih citra global thresholding (otsu).

   Pangkat (w) = 2  Maksimum Iterasi (MaxIter) = 500

  • 5

   Error terkecil yang diharapkan (ξ) = 10 awal (P ) = 0  Fungsi objektif  Iterasi awal (t) = 1  Misalkan matriks partisi awal U yang terbentuk (secara random) adalah sebagai berikut:

  Μ = derajat keanggotaan data ke-2 di cluster ke-1

  21

  Μ

  82 = derajat keanggotaan data ke-8 di cluster ke-2

  = derajat keanggotaan data ke-1 di cluster ke 3 Μ

13 Pada iterasi pertama, dengan menggunakan persamaan[8]. (Lin, 1996)

  (8) Dapat dihitung 3 pusat cluster, V dengan k = 1, 2, 3 ; dan j = 1, 2, 3 sebagai berikut :

  kj

  V = pusat cluster ke-3, atribut ke-1 (mean)

  31 V 12 = pusat cluster ke-2, atribut ke-2 (standar deviasi)

  V = pusat cluster ke-4, atribut ke-3 (entrophy)

  43 1 dapat dihitung dengan menggunakan persamaan (9).

   Fungsi objektif pada iterasi pertama P (Kusumadewi,S., H. P., 2010)

  (9)  Perbaiki matriks partisi U, menggunakan persamaan (10). (Kusumadewi,S., H. P., 2010)

ISBN 978-602-99334-4-4

  E.36

  (10)

  • P |= |
  • 5

  1 0| = 0.39 0.25 0.71 >>ξ

   Berikutnya cek kondisi berhenti. Karena |P

  (=10 ), dan iteraasi = 1 < MaxIter (=500), maka dilanjutkan iterasi ke-2 (t=2), demikian seterusnya, hingga |P t – P t-1 | < ξ atau t > MaxIter. 

3. HASIL DAN PEMBAHASAN

  Hasil pengolahan citra dapat ditunjukkan pada Gambar 2

  Gambar 2 Hasil pengolahan citra Data-1

3.1 Hasil Uji Segmentasi Citra

  Hasil data uji segmentasi ditunjukkan pada Gambar 3

  Gambar 3 Implementasi proses segmentasi citra menggunakan otsu

  Data citra hasil segmentasi dari 20 data dikelompokkan menjadi dua, yaitu data citra untuk penyumbatan sebelah kanan, dan data citra untuk identifikasi penyumbatan sebelah kiri. Hasilnya ditunjukkan pada Tabel 2.

  Tabel 2 Data hasil clustering

  No Nama Data mean Std_dev

  1 Data_1 0.280392 0.729412

  2 Data_2 0.256863 0.717647

  3 Data_3 0.366667 0.829412

  4 Data_4 0.386275 0.868627

  5 Data_5 0.366667 0.805882

  6 Data_6 0.366667 0.805882

  7 Data_7 0.3 0.782353

  8 Data_8 0.366667 0.829412

  9 Data_9 0.366667 0.821569

  10 Data_10 0.343137 0.798039

  11 Data_11 0.333333 0.737255

  12 Data_12 0.398039 0.864706

  13 Data_13 0.280392 0.717647

  14 Data_14 0.466667 0.772549

  15 Data_15 0.331373 0.778431

  16 Data_16 0.3 0.752941

  17 Data_17 0.3 0.752941

  18 Data_18 0.366667 0.84902

  19 Data_19 0.3 0.758824

  20 Data_20 0.331373 0.768627

  Prosiding SNST ke-6 Tahun 2015

  

System Identifikasi Gangguan Stroke Iskemik Menggunakan Metode ... (Kusanti)

  Rata-rata RMSE

  16 Data_16 0.63 terjadi oklusi distral arteri serebri media kiri

  17 Data_17 0.62 terjadi oklusi distral arteri serebri media kiri

  18 Data_18 0.74 terjadi oklusi distral arteri serebri media kanan

  19 Data_19 0.64 terjadi infark luas pada arteri serebri media kiri

  20 Data_20 0.65 terjadi infark luas pada arteri serebri media kiri Setelah dilakukan pengujian data didapatkan hasil dari hasil iterasi, Tabel 4 menunjukkan hasil data iterasi

  Tabel 4 Rata-rata error dan RMSE output ANFIS dengan menggunakan 20 data uji

  Iterasi epoch recog_test Rata-rata error initial recognation rate

  Dataset-1 25 94.6667 0.00690684 96 0.0596182 50 93.3333 0.000194831

  14 Data_14 0.53 terjadi infark luas pada arteri serebri media kanan

  75 88 0.000058023 100 86.6667

  3.73E-05 Dataset-2 25 94.6667 0.0177865

  97 0.0462827

  50 96 0.0177822

  75 96 0.0177809 100 96 0.0177803

  3.3 Analisa Pengujian

  Dari hasil pengujian yang didapat diperoleh hasil akurasi data sebesar 95% dengan tingkat error sebesar 5%. ditunjukkan pada Tabel 5. Dengan hasil yang diperoleh dari tingkat error dihasilkan dari citra ct scan dengan tingkat warna grayscale.

  15 Data_15 0.54 terjadi infark luas pada arteri serebri media kiri

  13 Data_13 0.66 terjadi infark luas pada arteri serebri media kiri

  3.2 Proses Klasifikasi Citra Stroke dengan Metode FCM

  4 Data_4 0.56 terjadi infark luas pada arteri serebri media kanan

  Untuk pengelompokkan citra dilakukan dengan menggunakan metode fuzzy c-mean (FCM). Hasil uji klasifikasi ditunjukkan pada Tabel 3.

  Tabel 3 hasil klasifikasi ciri

  No Nama

  Data output Keterangan

  1 Data_1 0.54 terjadi infark luas pada arteri serebri media kanan

  2 Data_2 0.60 terjadi oklusi distral arteri serebri media kiri

  3 Data_3 0.56 terjadi infark luas pada arteri serebri media kanan

  5 Data_5 0.60 terjadi oklusi distral arteri serebri media kiri

  12 Data_12 0.82 terjadi oklusi distral arteri serebri media kiri dan kanan

  6 Data_6 0.8 terjadi oklusi distral arteri serebri media kanan

  7 Data_7

  0.42 Tidak terjadi gangguan

  8 Data_8 0.9 terjadi oklusi distral arteri serebri media kiri dan kanan

  9 Data_9 0.9 terjadi oklusi distral arteri serebri media kiri dan kanan

  10 Data_10 0.62 terjadi oklusi distral arteri serebri media kiri

  11 Data_11 0.59 terjadi oklusi distral arteri serebri media kiri

ISBN 978-602-99334-4-4

  E.36 Prosiding SNST ke-6 Tahun 2015

  20 Data_20

  16 Data_16

  V

  17 Data_17

  V

  18 Data_18

  V

  19 Data_19

  V

  V 95% 5%

  15 Data_15

  Dari pembahasan yang telah dilakukan maka dapat ditarik kesimpulan sebagai berikut: 1.

  Pola, warna dan tingkat kecerahan citra ct scan kepala pada manusia memiliki ciri yang berbeda-beda satu dengan yang lainnya sehingga dapat digunakan untuk media identifikasi personal.

  2. Identifikasi citra ct scan kepala memanfaatkan fitur grayscale dalam pengujian, dibutuhkan tahapan pengolahan citra untuk mendapatkan hasil yang optimal.

  4. Tingkat pengujian citra ct scan pada kepala manusia menggunakan metode otsu dan FCM dengan 20 data citra uji memiliki akurasi mencapai 95%.

  5. Dari hasil 20 data citra uji , masih ditemukan tingkat kesalahan sebesar 5 % untuk data citra ct scan yang didapat dari hasil scanning dengan tingkat intensitas level keabuan = 0 lebih tinggi di banding dengan tingkat level keabuan = 1.

  6. Tingkat RMSE (Root Mean Square Error) yang dihasilkan sebesar 0.0462827, menunjukkan tingkat kesalahan yang terjadi selama pengujian untuk klasifikasi ciri dari 20 data citra ct scan sangatlah kecil.

  SARAN

  Saran untuk pengembangan penelitian lebih lanjut antara lain, perlu dikembangkan segmentasi yang sifatnya otomatis dan real-time sehingga dapat digunakan langsung pada citra ct scan kepala yang akan dianalisis serta penentuan jenis objek yang mengklasifikasikan ke dalam jenis (tipe) infark perlu

  V

  V

  Tabel 5 Hasil akurasi data

  7 Data_7 v

  No Nama Data Teridentifikasi

  Benar Teridentifikasi salah

  1 Data_1 v

  2 Data_2 v

  3 Data_3 x

  4 Data_4 v

  5 Data_5 v

  6 Data_6 v

  8 Data_8 v

  14 Data_14

  9 Data_9 v

  10 Data_10

  V

  11 Data_11

  V

  12 Data_12

  V

  13 Data_13

  V

4. KESIMPULAN

3. Metode FCM dapat digunakan untuk melakukan klasifikasi stroke iskemik.

  

System Identifikasi Gangguan Stroke Iskemik Menggunakan Metode ... (Kusanti)

  dikembangkan untuk mengurangi subjektivitas radiolog yang memudahkan teknisi dalam membaca citra hasil citra ct scan kepala

DAFTAR PUSTAKA

  Gonzales, R., P. 2004, Digital Image Processing (Pemrosesan Citra Digital), Vol. 1, Ed.2, diterjemahkan oleh Handayani, S., Andri Offset, Yogyakarta. Jang, J.S.R., Sun, C.T., and Mizutani, E., 1997, Neuro Fuzzy and Soft Computing, London : Prentice- Hall. Kusumadewi,S., H. P., 2010, Aplikasi Logika Fuzzy untuk Pendukung Keputusan, Ed.2, Graha Ilmu, Yogyakarta. Lin, 1996, Neural Fuzzy System, Prentice Hall International, Inc. Otsu,N., 1979, A Threshold Selection Method from Gray Level Histogram, IEEE Transantions of

  Systems, MAN Cybernetics, Vol SMC-9, No.1.,

  Janvani Prasetyo, 2011, Pengolahan Citra Digital dan Aplikasinya menggunakan Matlab, Andi Offset, Yogyakarta.

  Wang, 1996, A Course In Fuzzy Systems And Control, Prentice Hall International, Inc.

Dokumen yang terkait

UJI AKTIVITAS IMUNOSTIMULATOR EKSTRAK ETANOL DAN FRAKSI–FRAKSI KELOPAK BUNGA ROSELLA (Hibiscus sabdariffa L.) TERHADAP PROLIFERASI SEL LIMFOSIT MENCIT GALUR SWISS SECARA IN VITRO BESERTA IDENTIFIKASI KANDUNGAN KIMIANYA Maria Ulfah

0 0 6

AKTIVITAS ANTIOKSIDAN FRAKSI KLOROFORM EKSTRAK ETANOL DAUN SIRSAK (Annona muricata L.) DAN IDENTIFIKASI KANDUNGAN SENYAWA KIMIANYA Aqnes Budiarti , Maria Ulfah, Frista Atika Oktania

0 1 6

BIODEGUMMING RAMI MENGGUNAKAN ENZIM AMOBIL DARI CAIRAN RUMEN SAPI Nur Aniq , Hamid Aqil, Ismi Yatun, Indah Hartati

0 0 5

BIOPLASTIK DARI TEPUNG DAN PATI BIJI NANGKA Aprilina Purbasari , Ekky Febri Ariani, Raizka Kharisma Mediani

0 0 6

KARAKTERISASI FLY ASH BATUBARA SEBAGAI BAHAN KATALITIK KONVERTER DALAM MEREDUKSI GAS BUANG HC DAN CO KENDARAAN BERMOTOR Abdul Ghofur

0 0 5

STUDI AKTIVITAS ANTIOKSIDAN PADA TOMAT (Lycopersicon esculentum) KONVENSIONAL DAN ORGANIK SELAMA PENYIMPANAN Eveline , Tagor Marsillam Siregar, Sanny

0 0 7

PENGARUH JENIS AMPAS ROSELLA (Hibiscus sabdariffa L.) DAN METODE HIDROLISIS TERHADAP KOMPONEN PANGAN FUNGSIONAL Eveline

0 0 6

DISINFEKSI BAKTERI ESCHERICHIA COLI MENGGUNAKAN PROSES KAVITASI HIDRODINAMIKA WATER-JET DENGAN KOMBINASI KARBON AKTIF DAN ZEOLIT Dina Isholawati , Eva Fathul Karamah, Zaenal Abidin Zufri, Alif Nuzulul Hidayat

0 0 6

KAJIAN GERIATRI DAN RUANG TERBUKA PUBLIK DALAM MENDUKUNG PENYEDIAAN TAMAN LANSIA DI KOTA SEMARANG Hetyorini¹⃰, Dwi Ngestiningsih²

0 0 7

PERMUKIMAN KAMPUNG NELAYAN ‘BLANAKAN’ KABUPATEN SUBANG DAN PEMBERDAYAAN MASYARAKAT MISKIN DI PERMUKIMANNYA

0 8 6